Detail předmětu

Pokročilé zpracování signálů

FIT-MZSAk. rok: 2013/2014

Neuronové sítě (dopředné a zpětnovazební sítě a Kohonenovy mapy) a jejich využití pro zpracování signálů. Formalizovaná optimální restaurace signálů ve sjednoceném pohledu: Wienerův filtr, Wiener-Levinsonův filtr, Kálmánova filtrace a restaurace signálu, modelování zdrojů. Adaptivní filtrace a identifikace, algoritmy adaptace, typizace aplikací adaptivních filtrů. Nelineární filtrace: polynomiální a třídicí filtry, homomorfická filtrace a dekonvoluce, nelineární přizpůsobené filtry. Typické aplikace uvedených metod.

Jazyk výuky

čeština

Počet kreditů

6

Garant předmětu

prof. Ing. Jiří Jan, CSc.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Výsledky učení předmětu

Znalost hlavních vyšších metod zpracování signálů a schopnost je aplikovat.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia, zejména v oblasti číslicového zpracování signálů.

Plánované vzdělávací činnosti a výukové metody

Výuka předmětu je realizována formou: Přednáška - 3 vyučovací hodiny týdně, Cvičení na poč. - 2 vyučovací hodiny týdně.

Způsob a kritéria hodnocení

Zisk nejméně 15 bodů z počítačových laboratorních cvičení.

Osnovy výuky

    Osnova přednášek:
    1. Formalizovaná inverzní filtrace a restaurace signálů. Wienerův filtr v klasické a diskretní formulaci
    2. Vázaná dekonvoluce, dekonvoluce s optimalizací impulsní odezvy, metoda maximální aposteriorní pravděpodobnosti.
    3. Kálmánova filtrace, skalární a vektorová formulace, modelování systému na bázi Kálmánova filtru.
    4. Koncept adaptivní filtrace a identifikace, algoritmy adaptivní filtrace.
    5. Typické aplikace adaptivní filtrace: identifikace a modelování systémů, lineární adaptivní predikce, adaptivní potlačování šumu a rušení
    6. Multitaktní systémy číslicového zpracování signálů, multitaktní banky filtrů
    7. Nelineární filtrace: polynomiální filtry, třídicí filtry, homomorfická filtrace a dekonvoluce, nelineární přizpůsobené filtry
    8. Zpracování signálů neuronovými sítěmi: učící se neuronové filtry a klasifikátory, restaurace zpětnovazebními neuronovými sítěmi
    9. Časově-frekvenční analýza, vlnková transformace a její aplikace ve zpracování a kompresi signálů
    10. Koncept vícerozměrného signálu a spektra, 2D a 3D Fourierova transformace, diskrétní unitární vícerozměrné transformace: kosínová, Hadamardova a Walshova, Haarova a 2D vlnková transformace
    11. Aplikace signálových přístupů pro formalizované zpracování obrazů: restituční a restaurační postupy, formalizovaná segmentace obrazů
    12. Tomografické rekonstrukce obrazu z jednorozměrných projekcí
    13. Analýza pohybu a 3D rekonstrukce ze stereo dat

    Osnova počítačových cvičení:
    1. Simulace diskretního Wienerova filtru a ověření účinnosti ve stacionárním případě
    2. Simulace Kálmánova filtru 3. řádu a porovnání s Wienerovým filtrem ve stacionárním prostředí
    3. Simulace adaptivních filtrů typu RLS a LMS v aplikaci pro modelování systému, porovnání obou výsledků ve stacionárním a pomalu proměnném prostředí
    4. Vlnková transformace: použití pro analýzu a vyčištění signálu, ověření komprimačních schopností
    5. Restaurace rozostřeného a zašuměného obrazu pseudoinverzí a 2D Wienerovým filtrem: porovnání výsledků
    6. Rekonstrukce 2D obrazu z tomografických dat (1D projekcí) prostřednictvím frekvenční oblasti, zhodnocení artefaktů
    7. Učící se 2D neuronový filtr, použití pro texturní analýzu. Porovnání s příznakově orientovanou klasifikací

Učební cíle

Porozumění vyšším metodám zpracování signálů a jejich souvislostem.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Kontrolována je aktivní účast v počítačových laboratořích, minimální účast pro zápočet 4 ze 7 cvičení, nenahrazuje se.

Základní literatura

Madisetti, V.K., Williams, D.B. (ed.): The Digital Signal Processing Handbook, CRC & IEEE Press, USA, 1998, ISBN 0-8493-8572-5 Vích, R., Smékal, Z.: Číslicové filtry, Academia Praha 2000, ISBN 80-200-0761-X Mulgrew, B., Grant, P., Thompson, J.: Digital Signal Processing - Concepts & Applications, MacMillan Press Ltd., UK, 1999, ISBN 0-333-74531-0 Banks, S., Signal Processing, Image Processing and Pattern Recognition, Prentice Hall Int., UK, Ltd., 1990 Jain, A.K.: Fundamentals of Digital Image Processing, Prentice Hall Int. Edit., 1989 Jan, J.: Číslicová filtrace, analýza a restaurace signálů, Nakl. VUT Brno 1997, ISBN 80-214-0816-2 Gonzales, R.C., Wintz, P.: Digital Image Processing, 2nd ed., Addison-Wesley Publ. Comp., 1987 Pratt, W.K.: Digital Image Processing, 2nd ed., J. Wiley & Sons, 1991 Rosenfeld, A., Kak, A.C.: Digital Picture Processing, 2nd. edit., Academic Press, 1982 Schalkoff, R.J.: Digital Image Processing and Computer Vision, J. Wiley & Sons, 1989

Doporučená literatura

Jan, J.: Číslicová filtrace, analýza a restaurace signálů, Nakl. VUT Brno 1997, ISBN 80-214-0816-2, 2. vydání, 2001 Jan, J.: Digital Signal Filtering, Analysis and Restoration, IEE London, United Kingdom 2000, 407+14 pp., ISBN 0 85296 760 8 Gonzales, R.C. , Wintz, P.: Digital Image Processing, 2nd ed., Addison-Wesley Publ. Comp., 1987

Zařazení předmětu ve studijních plánech

  • Program IT-MGR-2 magisterský navazující

    obor MBI , 0 ročník, letní semestr, volitelný
    obor MBS , 0 ročník, letní semestr, volitelný
    obor MGM , 0 ročník, letní semestr, volitelný
    obor MIN , 0 ročník, letní semestr, volitelný
    obor MIS , 0 ročník, letní semestr, volitelný
    obor MMI , 0 ročník, letní semestr, volitelný
    obor MMM , 0 ročník, letní semestr, volitelný
    obor MPV , 0 ročník, letní semestr, volitelný
    obor MSK , 0 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

prof. Ing. Jiří Jan, CSc.

Osnova

  1. Formalizovaná inverzní filtrace a restaurace signálů. Wienerův filtr v klasické a diskretní formulaci
  2. Vázaná dekonvoluce, dekonvoluce s optimalizací impulsní odezvy, metoda maximální aposteriorní pravděpodobnosti.
  3. Kálmánova filtrace, skalární a vektorová formulace, modelování systému na bázi Kálmánova filtru.
  4. Koncept adaptivní filtrace a identifikace, algoritmy adaptivní filtrace.
  5. Typické aplikace adaptivní filtrace: identifikace a modelování systémů, lineární adaptivní predikce, adaptivní potlačování šumu a rušení
  6. Multitaktní systémy číslicového zpracování signálů, multitaktní banky filtrů
  7. Nelineární filtrace: polynomiální filtry, třídicí filtry, homomorfická filtrace a dekonvoluce, nelineární přizpůsobené filtry
  8. Zpracování signálů neuronovými sítěmi: učící se neuronové filtry a klasifikátory, restaurace zpětnovazebními neuronovými sítěmi
  9. Časově-frekvenční analýza, vlnková transformace a její aplikace ve zpracování a kompresi signálů
  10. Koncept vícerozměrného signálu a spektra, 2D a 3D Fourierova transformace, diskrétní unitární vícerozměrné transformace: kosínová, Hadamardova a Walshova, Haarova a 2D vlnková transformace
  11. Aplikace signálových přístupů pro formalizované zpracování obrazů: restituční a restaurační postupy, formalizovaná segmentace obrazů
  12. Tomografické rekonstrukce obrazu z jednorozměrných projekcí
  13. Analýza pohybu a 3D rekonstrukce ze stereo dat

Cvičení na počítači

26 hod., nepovinná

Vyučující / Lektor

prof. Ing. Jiří Jan, CSc.

Osnova

  1. Simulace diskretního Wienerova filtru a ověření účinnosti ve stacionárním případě
  2. Simulace Kálmánova filtru 3. řádu a porovnání s Wienerovým filtrem ve stacionárním prostředí
  3. Simulace adaptivních filtrů typu RLS a LMS v aplikaci pro modelování systému, porovnání obou výsledků ve stacionárním a pomalu proměnném prostředí
  4. Vlnková transformace: použití pro analýzu a vyčištění signálu, ověření komprimačních schopností
  5. Restaurace rozostřeného a zašuměného obrazu pseudoinverzí a 2D Wienerovým filtrem: porovnání výsledků
  6. Rekonstrukce 2D obrazu z tomografických dat (1D projekcí) prostřednictvím frekvenční oblasti, zhodnocení artefaktů
  7. Učící se 2D neuronový filtr, použití pro texturní analýzu. Porovnání s příznakově orientovanou klasifikací